OpenAI《永恒的互补》：天才机器多半在干无聊的活
原文：永恒的互补关系（英文版 The eternal complement），Hemanth Asirvatham、Elliott Mokski，OpenAI「Intelligence Age」平台，2026-10-01。作者按：仅代表个人观点，不代表 OpenAI。
这是 OpenAI 新平台「Intelligence Age」上「下一代经济」系列的第一篇。标题很文艺，副标题把结论说得很直白：天才般的机器，可能在单调的工作中体现出最大的价值。
我读完的第一反应是，这篇文章给了一个很好用的框架，能把我第二大脑里散落的好几篇笔记串起来：为什么个人用 AI 变快了公司却没变快，为什么「虚拟公司式」多 Agent 大多会失败，为什么普通人到现在还感觉不到 AI。下面先讲原文，再讲这些补充。
原文在说什么
进步越来越贵
文章从望远镜讲起。Galileo 用两片透镜和一根镜筒拓宽了人类视野，几十个人就够了。James Webb 太空望远镜花了 100 亿美元，由 14 个国家的 300 家机构造出来，18 块镜片的加工精度是 50 纳米。
要看得更远，所需的不只是更聪明的头脑。还需要更庞大的组织管理体系。
数据来自 Nick Bloom 等人那篇著名的《Are Ideas Getting Harder to Find?》：
- 维持摩尔定律所需的研究人员，是 1970 年代初的 18 倍以上；
- 1930 年代以来，全经济的有效科研投入涨了 23 倍，测得的科研生产率却降到原来的 1/41。
经济还在进步，是因为科研规模的扩张弥补了每单位投入产出的下降。
想法和执行是互补品
经济学里，一种投入增加会提高另一种投入的价值，两者就互为补充。好望远镜让好问题更值钱，好问题也让望远镜更值钱。
有些互补要素是物质的：加速器、能源、设备。另一些看不见：法律、管理体系、融资、供应链。作者给后者起了个名字，叫组织智能（institutional intelligence），「一种鲜少受到赞颂的执行智慧」。
文章里我最喜欢的一句：
我们有时会把超级智能想象成十亿个 Einstein。但即便是由十亿个 Einstein 组成的文明，仍然需要其中的大多数去采石和管理账目。
稀缺品在迁移
作者认为稀缺品会经历三个阶段：
- **过去，执行稀缺。**大多数电影人一辈子拿不到 2 亿美元去放手一试，大多数游戏设计师整个职业生涯都在实现别人的创意。机构决定谁能动手。
- **今天，品味稀缺。**AI 能写代码、查陌生领域的文献、把草图变成原型，一个人就能做以前要一个组织才能做的事。稀缺的变成了判断：什么值得做，什么问题值得问，上千个可行方向里选哪个。
- **明天，执行可能再度稀缺。**当 AI 自己也能提出好想法（作者说数学领域已有迹象），想法涌现的速度会超过基础设施的承接能力。
两种文明
关键变量是：思想在必须再次接触现实之前，能独自走多远。
- 深度型文明：推理和已有数据就能走很远。向现实求证仍然需要，但会极其节省：模拟筛掉大部分可能，只做少数关键实验。作者用拼图打比方，开头容易、收尾也容易，中间最难；门捷列夫预言未发现的元素、标准模型提前几十年预言希格斯玻色子，都是「快拼完时空缺会自己说话」。
- 广度型文明：智能让每次求证更便宜，却发现了更多需要求证的理由。生物和新药是典型，模拟还替代不了大规模人体试验，机器提出的候选越多，实证越成瓶颈。
广度型那一节有一句很狠的话：
超级智能可能在一个下午就设计出够做一百年的实验，然后用整整一百年，等待自然过程和机械设备将它们逐一完成。
于是结论是：如果走的是广度型这条路，超级智能的过人之处可能不是天才，而是愿意承担组织管理工作。「几乎所有机器智能都将被用于做枯燥的工作，而非展露才华。」
作者也强调，两种文明只是两个方向，不是预测。
补充一：这个瓶颈今天在公司里就看得见
原文讲的是文明尺度，但「互补要素跟不上」这件事，在公司里已经发生了。
我在第二大脑里整理过 Founder Park 的一篇长文，标题就是《ChatGPT 让所有人变成了超级个体，却没让你的公司成为超级组织》，里面有几组数据：
- DX 跟踪了 400 家公司 16 个月，AI 工具使用量涨了 65%，代码交付量只涨了不到 10%；
- NBER 调查 6000 名企业高管，超过 80% 说 AI 对生产力没有可测量的影响；
- METR 的实验里，用 AI 的资深开发者实际慢了 19%，却自认为快了 20%。
那篇文章的诊断是：个人产出提升了，审批、协作、质量把关还是老样子，瓶颈从「做得不够」变成了「消化不了」。小红书 Muse 团队的实践也是同一个结论：编码只是链路的一环，规范检查、跨角色对齐、提测、返工会把省下的时间吃回去。
用原文的话说，这就是组织智能这个互补要素没跟上。那篇文章还有个历史类比：1890 年代工厂换上电动机，之后 30 年产出几乎没变，直到 1920 年代有人按电力的逻辑重新设计生产线，红利才释放出来。原文说「天才设计丰碑，组织体系一石一砖地将其建起」，讲的是同一件事。
补充二：机器要当官僚，但别模仿人类官僚
原文的结尾说，机器的头脑「也必须成为组织管理者」。这句话很容易被理解成：那就让 AI 扮演公司里的各个角色。
我觉得这恰恰是坑。第二大脑里有一篇《力大砖飞：为什么虚拟公司式多 Agent 架构大多会失败》，批评的就是把 Agent 命名成 PM、架构师、开发、测试，让它们像部门一样层层交接文档。作者的判断是：
它解决的是人的瓶颈，不是模型的瓶颈。
人类需要分工，是因为注意力有限、专业壁垒高、切换成本大。照搬这套结构给模型，每多一次交接就多一次信息失真。
Muse 的解法反而更像原文说的「组织智能」：所有角色共享同一条上下文，每一轮都有程序化的检查，有副作用的操作要先暂停确认并记日志，任务状态结构化保存、可以恢复。
所以我的理解是：**AI 承担的组织智能，应该长在共享上下文、验证、审计和可回滚上，而不是复制部门和汇报线。**官僚的价值在于让一长串局部动作都做对，而不在于有几个科室。
补充三：品味是今天的稀缺品，判断带宽会先被挤爆
原文说今天的稀缺品是品味。第二大脑里有两份材料可以把这句话说得更具体。
一份是《Taste at Speed》：品味是一个过滤函数，不是加速函数。文章描述的新流程是一个想法先做 5 个原型、砍掉 4 个，再给幸存者写文档；Anthropic 做 Cowork 时，原型阶段试了数百个版本。80% 的淘汰率才是重点，没有品味，速度只意味着更快地做错事。
另一份还是 Founder Park 那篇里的例子：私募机构去年收到 10 个交易机会，今年 50 个，每份商业计划书都被 AI 精心打磨过。噪音多了 5 倍，信号没变。
两份放在一起，能看到原文「明天执行再度紧缺」的前奏：想法变多以后，最先被挤爆的是判断的带宽，然后才轮到实验和工厂。品味不只是会挑，还包括敢砍。
补充四：深度型先动，广度型慢
两种文明在原文里是关于未来的推演，但拿来给今天的领域排位置也很好用。上图是我按第二大脑里的材料放的：
- 数学：原文说它是最纯粹的深度型。巧的是，前几天写 OpenAI 文本水印时，技术报告承认数学类文本的检测率显著更低，原因是推导的每一步几乎只有一个正确写法，没有选词的随机性可借。「每一步只有一个正确答案」，正是推理能独自走很远的原因。
- 软件：测试就是廉价的模拟，可以大量、快速地向现实求证，这也许是 AI 编程最先成熟的原因。
- 看懂已有数据：原文说科学档案里为回答一个问题而记录的观测，可能藏着许多其他问题的答案，「无须再捕获一个光子」。这也是我做第二大脑的理由：资料早就在那里，缺的是看懂它们的时间。
- AI 研究本身：OpenAI 首席科学家在《外星心智》里说，算法进步往往跟算力获取绑在一起。推下去，递归自我改进本身也是广度型的，它要等晶圆厂、电力和数据中心。
- 芯片：台积电那篇笔记里有个细节，苹果把整代芯片交给台积电，前提是对方准备 90 亿美元建厂资金和 6000 名工人；台积电新增的晶圆厂吃掉了台湾新增电力的 1/3。
- 新药：原文自己的例子，候选越多，越卡在人体试验。
这张图也解释了 Nathan Lambert 在《普通人何时能感受到 AI 冲击》里说的现象：知识工作侧已经接近电力级别，吃穿住行几乎没被改写。知识工作偏深度型，日常生活偏广度型，两边走的是两套时钟。
补充五：人的位置
原文最后一节给了人类三个理由：求知的责任不因机器更聪明而消失；即使两方面都不如机器，人在前沿智能上可能有比较优势；多样性本身有价值。
第二大脑里有两个现场例子能对上：
- V2EX 关于 AI 和就业的讨论里，有人说了一句很朴素的话：「AI 干 AI 的活，人类干人类的活，且人类有活干是因为比 AI 便宜。」这就是比较优势的民间版本。
- 汉化组那篇访谈里，听写、打轴、初翻交给 AI，校对、审美、社群留给人。他们不怕 AI，是因为目标是「让喜欢的东西被看懂」，不是保住工序。
我自己用 AI 的体感也一样。我的 Agent 工作区每天干的，大部分就是原文说的「无聊的活」：定时抓取信息、发布前校验、升级失败了回滚。真正需要我判断的，只是写什么、砍什么、信什么。
我对这篇文章的保留
- 发表的语境。有评论指出，这篇文章发在一家卖前沿智能的公司平台上，「智能和执行互补，执行才是瓶颈」的叙事对它有利。作者按已经免责，但读的时候要记着。
- 数据大体可靠。Bloom 等人的 18 倍、23 倍、1/41 与原论文一致；技术人员增速、设备使用、晶圆厂成本三项是二手引用。
- 两种文明不可证伪。作者自己也承认只是方向。最可检验的反而是最朴素的那条：AI 降低原型成本之后，稀缺技能是否转向「判断什么值得做」。这条我在第二大脑里已经攒了不少正面证据。
- 组织智能被当成了黑箱。原文没拆组织具体卡在哪。从上面的案例看，卡点主要是协调、上下文传递、审核和验证的带宽，而这些恰恰是 AI 可以最先承担的「官僚工作」，前提是先把流程按 AI 重新设计。
可以怎么做
- **个人：练品味。**执行已经变便宜，快速做原型、大比例淘汰，把判断沉淀下来。
- **团队：把 AI 放进组织里无聊的环节。**审核、对齐、验证、审计。先建共享上下文，再加 Agent 数量。
- **选赛道时看深度还是广度。**深度型（软件、数学、分析已有数据）变得快，竞争也快；广度型（生物、硬件、能源）慢，但瓶颈在实物和组织，卖「互补要素」的生意更稳。
- **别看不起无聊的活。**如果未来真的偏广度型，大部分价值就在那里，机器会去做，人也会继续做。
原文最后一句是：「我们未来的故事，以及进步的速度，取决于杰出的头脑是需要世界提供更多资源，还是能用更少的资源成就更多。」至少在今天的公司里，答案已经很清楚：先把世界的那一半建好。
评论